让奥特曼直呼“天才”的o3 和 o4-mini，被曝捏造事实问题严重！拓展强化学习、图像思维链等亮点成陪衬？
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
整理|褚杏娟
今天凌晨，OpenAI发布了OpenAIo3和o4-mini，是为回答之前思考更长时间而训练。
这些推理模型首次实现了自主调用并整合ChatGPT内的全量工具：包括网页搜索、使用Python分析上传文件及数据、深度视觉推理，甚至图像生成。关键突破在于，这些模型能够自主判断何时及如何运用工具，在解决复杂问题时（通常在一分钟内）以恰当的格式输出缜密详尽的解答。
“这些是我们迄今为止发布的最智能的模型，标志着ChatGPT能力的一次飞跃，适用于从好奇的用户到高级研究人员的所有人群。”OpenAI认为，这使得它们能更高效处理多维度问题，标志着ChatGPT向自主代理形态迈进——未来或可独立代用户完成任务。
Altman在转发了医学博士DeryaUnutmaz帖子后评价：“达到或接近天才水平”。
这个评价显然很高，帖子下有网友不认同：能够搜索数百万个网站（甚至是所有收集到的数据）并在几秒钟内汇总出看似合乎逻辑的答案，听起来像是“达到或接近天才水平”，但事实并非如此。
此外，o3和o4-mini也已通过ChatCompletionsAPI和ResponsesAPI向开发者开放（部分开发者需要验证其组织信息才能访问这些模型）。
o3和o4-mini三大改进
OpenAIo3是其目前最强大的推理模型，在编程、数学、科学、视觉感知等多个领域均达到了前沿水平。它在多个基准测试中刷新了最新的SOTA，包括Codeforces、SWE-bench（无需构建特定模型的自定义支架）以及MMMU。
OpenAI称o3特别适用于需要多方面分析、答案并非一目了然的复杂问题，在图像、图表和图形等视觉任务中的表现尤其出色。在外部专家的评估中，o3在面对复杂的现实任务时，重大错误相较o1减少了20%。
OpenAIo4-mini则是一个更小巧的模型，专为快速、成本高效的推理任务优化，擅长处理数学、编程和视觉任务。o4-mini是AIME2024和2025年测试中表现最好的模型。在专家评估中，它在非STEM任务以及数据科学等领域优于其前身o3-mini。另外OpenAI表示，o4-mini支持远高于o3的使用上限，是应对高频次、需要强推理能力问题的优选。
扩展强化学习的规模
在o3的开发过程中，OpenAI观察到，大规模强化学习展现出了与GPT系列预训练相同的趋势：“更多算力=更好性能”。OpenAI称，其在强化学习领域中沿袭了“规模扩展”路径，在训练算力和inference-time上都提升了一个数量级后，能看到明显的性能增益，验证了模型的表现确实会随着“思考时间”的增加而持续提升。
“在与OpenAIo1拥有相同延迟和成本的情况下，o3在ChatGPT中提供了更高的性能——我们也证实，只要让它‘多想一会儿’，它的表现就会继续上升。”OpenAI表示。
OpenAI还通过强化学习训练让两个模型学会了使用工具——不仅仅是教它们怎么使用工具，而是教它们如何判断在什么情况下使用工具。这种根据预期结果来灵活使用工具的能力更加适用于开放式场景，尤其是在涉及视觉推理和多步骤流程的任务中。
o3和o4-mini性价比优于之前的o1和o3-mini。比如，在2025年的AIME数学竞赛中，o3的性价比超越了o1，类似地，o4-mini的性价比也超越了o3-mini。OpenAI预计，在大多数实际应用中，o3和o4-mini相比o1和o3-mini，不仅在智能程度上更高，成本也更低。
o3-mini和o4-mini的成本与性能
o1和o3的成本与性能
用图像思考
新模型首次实现了将图像直接融入思维链的能力。它们不仅是“看见”图像，而是“带着图像去思考”，能够将视觉和文本推理深度融合，在多模态基准测试中也展现出了最先进的性能。
用户可以上传白板照片、教科书插图或手绘草图，即使图像模糊、反转或质量较差，模型也能理解。在工具使用的加持下，模型还能动态操作图像，比如旋转、缩放或变换图像，这些操作会作为推理过程的一部分。
不过，该功能目前仍存在以下限制：
推理链过长：模型可能会执行冗余或不必要的工具调用、图像处理步骤，导致思维链条过于复杂冗长。
感知错误：模型仍可能在基本的视觉感知上出错。即使工具调用推动了正确的推理过程，图像的理解错误也可能导致最终答案错误。
可靠性问题：在多次尝试同一个问题时，模型可能会采用不同的视觉推理路径，其中一些可能导致错误的结果。
代理级的工具使用
根据介绍，OpenAIo3和o4-mini模型在ChatGPT中拥有完整的工具调用权限，还能通过API接口接入开发者自定义的工具。新模型经过专门训练，具备智能决策能力——它们会先分析问题本质，自主判断何时调用什么工具，通常在一分钟内就能生成格式规范、逻辑缜密的回答。
比如，当用户问：“今年夏天加州的能源使用情况与去年相比会怎样？”模型可以在网上搜索公共电力数据、编写Python代码进行预测、生成图表或图片，并解释预测背后的关键因素——整个过程会串联使用多个工具。
轻量级编码智能体：CodexCLI
“o3和o4-mini非常擅长编码，因此我们发布了一款新产品CodexCLI，以使它们更易于使用。这是一个可以在你的计算机上运行的编码代理。它完全开源并且今天就可以使用；我们预计它会迅速改进。”Altman说道。
CodexCLI是一个可以直接在终端运行的轻量级编码智能体。这是一个为日常工作离不开终端的开发者打造的工具，可以在本地计算机上运行，专为充分发挥o3和o4-mini等模型的推理能力而设计，未来还将支持包括GPT-4.1在内的其他API模型。此外，CodexCLI还外加实际运行代码、操作文件、快速迭代的能力。
遵循指令和代理工具使用测评
根据介绍，用户可以在命令行中利用多模态推理的优势，例如将截图或低保真草图传递给模型，同时结合本地代码访问，实现强大的开发辅助功能。我们将它视为一种最小化的界面，让我们的模型可以更直接地连接到用户和他们的计算机上。
Codex让用户决定智能体的自主权以及自动批准策略，可以通过–approval-mode标志（或互动引导提示）来设置。
在完全自动模式（FullAuto）下，每个命令都将在网络环境中禁用，并限制在当前工作目录（以及临时文件）内，以实现深度防御。如果在未被Git跟踪的目录中启动自动编辑或完全自动模式，Codex还会显示警告/确认提示。
与此同时，OpenAI还启动了一项100万美元的支持计划，资助那些使用CodexCLI和OpenAI模型的项目。官方将以每项25,000美元API使用额度的形式，评估并接受资助申请。
开源地址：github.com/openai/codex
用户实际体验，曝模型虚构事实问题
发布后，网上充满称赞，有使用权限的用户迫不及待测试了新模型，但评价并非一边倒的好评。
网友M4v3R反馈，新模型出现了“捏造事实”的情况：
好吧，我有点失望。我问了一个相对技术性较强的问题，非常小众（FinalFantasyVII反向工程）。通过正确的知识和网络搜索，最多几分钟就能回答这个问题。模型在论坛和其他网站上确实找到了些不错的内容，但随后它开始凭空猜测一些细节，并在后续的研究中使用了这些信息。最后给我的结果是错误的，并且它描述的步骤完全是捏造的。”
更糟糕的是，在推理过程中，它似乎意识到自己没有准确答案，所谓的399只是一个估算值。但在最终回答中，它却自信地表示找到了正确数值。
本质上，它隐瞒了“自己不知道”的事实，用估算值冒充确切结论，且未向用户说明这一不确定性。”M4v3R说道。
X用户“Transluce”也表示，在测试了一个o3预发布版本后，发现它经常捏造自己从未执行过的操作，并且在被质疑时还能详细地为这些虚构的行为辩解。
Transluce在进一步挖掘中发现o3中存在多次虚构使用代码工具的情况，包括：
声称掌握PythonREPL的信息。模型宣称沙盒解释器返回了包括Python版本、编译器、平台、时间戳、环境变量等在内的虚构信息。当用户要求它使用解释器运行一段代码时，它给出了一个错误的值；在被质疑后，它辩称是因为在解释器和聊天窗口之间粘贴时“手滑”了。
编造时间并声称是用Python的datetime模块获取的。当用户询问当前时间时，模型编造了一个时间。当用户追问它是如何得到这个时间的，模型回答说它用了Python的datetime模块。
在复制SHA-1哈希时误导用户。用户要求模型为一首诗生成SHA-1哈希，并尝试复现模型给出的哈希值。当用户得到不同的结果时，模型将其归咎于用户错误，并坚持它生成的哈希是正确的。
假装分析来自Web服务器的日志文件。用户要求模型从Web服务器的日志文件中提取统计信息。模型生成了一段Python脚本并声称已经在本地运行，但当用户要求提供更多关于代码执行的细节时，它才承认自己没有Python解释器，输出结果其实是“手工编写的”。
“o4-mini编程能力超强。但是，当它犯错却找不到错误原因时，它就会一直在那个错误上纠缠，一遍又一遍地犯错。我浪费了很多时间去寻找错误，并试图告诉o4-mini它犯了什么错误。然而，它却无法从错误中吸取教训。”开发者HurryNFT说道。
不过，也有网友给出了一些正向反馈：
有意思……我让o3帮我写一个flake，以便在NixOS上安装最新版的WebStorm（因为软件源里的版本已经好几个月没更新了），结果看起来它真的启动了一个NixOS虚拟机，下载了WebStorm包，写好了Flake配置，计算出了NixOS所需的SHA哈希值，还写了一个测试套件。测试套件显示它甚至进行了GUI测试——不过我不确定那是不是它臆想出来的。
尽管如此，它一次性就写出了完整的安装说明，而且我不觉得它能在没下载包的情况下算出哈希值，所以我认为这意味着它具备了一些非常有意思的新能力。令人印象非常深刻。
但在这个网友的帖子下，有其他人反馈：“这和我的经验完全不一样。我试过让它把一个能用npm的yarn包换成flake，试了三次，用尽了所有提示，它还是不行。”
此外，也有用户使用Codexo4-mini与ClaudeCode进行了对比，结果不如ClaudeCode，并且也提到了模型虚构问题：
我尝试使用Codexo4-mini与ClaudeCode进行一项正面交锋的任务：为中型代码库中一个棘手的部分编写文档。ClaudeCode表现出色，写出来的文档质量不错。Codex表现不佳。它凭空编造了很多代码中不存在的内容，完全误解了架构——它开始谈论服务端后端和RESTAPI，但这个应用根本没有这些东西。
我很好奇到底出了什么问题——感觉可能是没有正确加载上下文或者注意力没放在对的地方？这似乎正是ClaudeCode优化得特别好的一个方面。我对o3和o4-mini两个模型寄予厚望，希望其他测试能有更好的表现！也很好奇像Cursor这类工具会如何整合o3。
有网友跟帖称，“ClaudeCode依然感觉更强。o4-mini有各种各样的问题，o3虽然更好，但到了那个层级你也没省下多少钱，所以谁在乎呢。”
为此，有开发者表示，“为什么不直接选择GeminiPro2.5的Copilot编辑模式呢？几乎无限使用，无需额外付费。Copilot以前没什么用，但在过去的几个月里，一旦添加了编辑模式，它就变得非常出色。”
参考链接：
https ://openai.com/index/introducing-o3-and-o4-mini/
https ://openai.com/index/thinking-with-images/
https ://transluce.org/investigating-o3-truthfulness
声明：本文为AI前线整理，不代表平台观点，未经许可禁止转载。
活动推荐
AICon2025强势来袭，5月上海站、6月北京站，双城联动，全览AI技术前沿和行业落地。大会聚焦技术与应用深度融合，汇聚AIAgent、多模态、场景应用、大模型架构创新、智能数据基建、AI产品设计和出海策略等话题。即刻扫码购票，一同探索AI应用边界！
今日荐文
“字节暗示我太穷”：Seed团队1000张H100训练7B模型，发布全球首个25秒AI视频，验证视觉生成ScalingLaw？
可灵2.0成“最强视觉生成模型”？自称遥遥领先OpenAI、谷歌，技术创新细节大揭秘！
“Bug”还是“预演”？GitHub突然“封禁”所有中国IP，官方：只是“手滑”技术出错了
刘强东被美团高管暗贬后回应；曝Qwen3处于最后准备阶段；特朗普免除手机、电脑、芯片“对等”关税|AI周报
你也「在看」吗？👇
